面向排序的個性化推薦算法研究與實現(xiàn).pdf

1、互聯(lián)網(wǎng)技術(shù)的發(fā)展和普及，使得網(wǎng)絡(luò)已成為人們獲取各種信息和資源的重要媒介。網(wǎng)絡(luò)上的信息就像海洋一樣浩瀚無際，用戶雖然擁有無窮無盡的選擇，但得付出比以往更多的時間和精力來發(fā)現(xiàn)自己想要的信息。于是，幫助用戶更快地找到所感興趣的資源解決信息過載問題已成為當前研究的熱點。其中一個行之有效的解決信息過載的問題的方案就是的個性化推薦技術(shù)。該技術(shù)旨在通過挖掘個體用戶的興趣喜好，把用戶最感興趣的資源從浩瀚如海的網(wǎng)絡(luò)信息中抽取出來推薦給相應(yīng)用戶。個性化推薦

2、技術(shù)也逐漸成為了電子商務(wù)領(lǐng)域不可缺少的工具之一，比如Amazon，Netflix和豆瓣等許多網(wǎng)站都廣泛使用了個性化推薦技術(shù)。
　　面向評分的和面向排序是協(xié)同過濾系統(tǒng)實現(xiàn)的兩種主要方法。面向評分的系統(tǒng)根據(jù)用戶的歷史評分信息來計算用戶之間評分的相似度，然后對近鄰的評分根據(jù)其余目標用戶的相似度進行加權(quán)來預(yù)測目標用戶對待推薦產(chǎn)品的評分。然而，當用戶之間的評分的差別較大時，基于評分的相似度度量方式便喪失了捕獲用戶之間偏好相似性的能力。而且當

3、前的面向評分的協(xié)同過濾系統(tǒng)只是對單獨的產(chǎn)品獨立地預(yù)測評分，而沒有考慮用戶對產(chǎn)品對的偏好關(guān)系。與之不同，面向排序的協(xié)同過濾系統(tǒng)則是根據(jù)用戶對產(chǎn)品的偏好順序來計算用戶之間的相似度，然而當前面向排序的協(xié)同過濾算法只是考慮用戶對產(chǎn)品對的偏好是否一致，而忽略了偏好的程度以及偏好的流行度在區(qū)分用戶時所發(fā)揮的作用。為解決上述問題，本文提出的面向排序的協(xié)同過濾算法，能夠結(jié)合用戶對產(chǎn)品對的偏好程度以及偏好的流行程度，來向用戶推薦滿足其偏好的產(chǎn)品。

4、　　協(xié)同過濾和基于內(nèi)容的推薦系統(tǒng)都有各自的不足之處，因此在實際應(yīng)用中，大多把不同類型的推薦算法進行綜合運用，進而提出了混合推薦系統(tǒng)，以綜合不同類型推薦系統(tǒng)的優(yōu)點。本文將混合推薦系統(tǒng)問題轉(zhuǎn)化成機器學習問題，能夠綜合考慮用戶與產(chǎn)品的內(nèi)容信息和評分信息。但是不像信息檢索中的查詢詞和文檔可以用相似度來衡量兩者的相關(guān)程度，在推薦系統(tǒng)中，用戶和產(chǎn)品在內(nèi)容上不具有可比性，并不能直接用來計算用戶和產(chǎn)品的相關(guān)程度。為了解決上述問題，本文抽取了用戶和產(chǎn)品的

5、屬性特征以及評分特征，對用戶和產(chǎn)品進行統(tǒng)一表示，使兩者具有了內(nèi)容上的可比性。在本文構(gòu)建的特征框架上，任何排序?qū)W習算法都可以應(yīng)用到推薦系統(tǒng)之上。
　　本文主要在以下幾個方面的做了相關(guān)研究:1）分析了現(xiàn)有面向排序的協(xié)同過濾算法的不足，對用戶對產(chǎn)品對的偏好從偏好程度以及流行度兩個方面進行了定義，在此基礎(chǔ)提出了兩種計算用戶間偏好相似度的方式，運用了兩種偏好融合的方法進行最終的排序預(yù)測工作。2）在混合推薦系統(tǒng)中，對用戶和產(chǎn)品進行統(tǒng)一表示，將